智能生產(chǎn)線通過物聯(lián)感知和網(wǎng)絡(luò)協(xié)同技術(shù),實(shí)現(xiàn)信息物理深度融合。其特征是制造設(shè)備高度互聯(lián)、制造數(shù)據(jù)深度集成與產(chǎn)線動態(tài)重構(gòu),以滿足多品種、小批量、個性化定制產(chǎn)品的混流生產(chǎn)要求。個性化定制生產(chǎn)模式下,智能生產(chǎn)線對設(shè)備可靠性、運(yùn)行穩(wěn)定性與生產(chǎn)適應(yīng)性等提出了更高要求,常規(guī)的被動運(yùn)維模式已不能滿足智能生產(chǎn)線的復(fù)雜運(yùn)維需求。本文聚焦于智能生產(chǎn)線預(yù)防性維護(hù)的關(guān)鍵技術(shù)研究,以保證個性化定制生產(chǎn)線效率與設(shè)備利用率為前提,對設(shè)備的劣化狀態(tài)進(jìn)行早期評估,通過可重構(gòu)預(yù)防性維護(hù)避免生產(chǎn)線意外停機(jī)造成的生產(chǎn)中斷,旨在實(shí)現(xiàn)生產(chǎn)過程的自主感知、狀態(tài)評估、自適應(yīng)運(yùn)行及負(fù)載均衡。本文的研究工作可以具體地概括為以下五點(diǎn):（1）探討了設(shè)備信息物理深度融合為基礎(chǔ)的智能生產(chǎn)線預(yù)防性維護(hù)系統(tǒng)架構(gòu)。在智能生產(chǎn)線設(shè)備信息傳輸方面,實(shí)現(xiàn)了基于OPC UA的信息傳輸,Machine to Machine通信,軟件定義工業(yè)異構(gòu)網(wǎng)絡(luò);在多源異構(gòu)傳感數(shù)據(jù)深度融合方面,提出了邊緣計算使能的數(shù)據(jù)融合方法與邊-云合作的數(shù)據(jù)融合機(jī)制。架構(gòu)涵蓋了基于心電機(jī)理的設(shè)備運(yùn)行狀態(tài)監(jiān)測方法與深度的設(shè)備健康狀況評估理論,實(shí)時反饋設(shè)備亟需的運(yùn)維情況。為保障智能生產(chǎn)線穩(wěn)定運(yùn)... 

【文章來源】：華南理工大學(xué)廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：135 頁

【學(xué)位級別】：博士

【部分圖文】：

智能生產(chǎn)線運(yùn)維金字塔圖

第一章緒論9圖1-4設(shè)備狀態(tài)評估方法分類Fig.1-4Classificationofequipmentconditionevaluationmethods基于深度學(xué)習(xí)的設(shè)備性能預(yù)測方法是在利用數(shù)據(jù)驅(qū)動的方法獲得精確的預(yù)測或分類效果，這對于數(shù)據(jù)的可解釋性、準(zhǔn)確性、安全性具有較高的要求。然而，依賴設(shè)備自身的機(jī)理模型，一些不確定的、干擾因素會導(dǎo)致潛在的數(shù)據(jù)問題。設(shè)備的時序數(shù)據(jù)反映了設(shè)備狀態(tài)的發(fā)展歷程，數(shù)據(jù)驅(qū)動的時序數(shù)據(jù)評估方法有助于擺脫專家經(jīng)驗(yàn)與隱藏知識，現(xiàn)有的深度學(xué)習(xí)模型針對性較強(qiáng)，在數(shù)據(jù)采集、特征提娶模型訓(xùn)練、系統(tǒng)部署等方面成熟度不夠高。大數(shù)據(jù)正驅(qū)動新興的設(shè)備運(yùn)維范式[42]，以大數(shù)據(jù)為代表的數(shù)據(jù)密集型計算為設(shè)備的預(yù)防性維護(hù)提出了新的研究思路，利用大數(shù)據(jù)分析的手段指導(dǎo)設(shè)備的預(yù)防性維護(hù)是一項(xiàng)具有挑戰(zhàn)性的研究課題。Santos等[15]分析了基于大數(shù)據(jù)的預(yù)防性維護(hù)方法所面臨的機(jī)遇與挑戰(zhàn)，將測量空間或特征空間獲得的信息映射到故障過程的模式空間中，基于狀態(tài)的維護(hù)側(cè)重于通過監(jiān)控潛在的惡化過程，根據(jù)系統(tǒng)的實(shí)際和未來狀態(tài)（健康狀況）進(jìn)行干預(yù)。韓中等[43]基于層次分析法提出了面向機(jī)電系統(tǒng)的大數(shù)據(jù)結(jié)構(gòu)化方法，通過構(gòu)建系統(tǒng)層級評估模型實(shí)現(xiàn)了數(shù)據(jù)驅(qū)動的維護(hù)決策。Wan等[44]基于云制造大數(shù)據(jù)環(huán)境構(gòu)建了主動預(yù)防性維護(hù)的系統(tǒng)架構(gòu)，提出了通過實(shí)時傳感數(shù)據(jù)與離線機(jī)器日志相結(jié)合的分析方法，實(shí)現(xiàn)了設(shè)備在線主動運(yùn)維機(jī)制。王光[45]為了減少非關(guān)鍵異常數(shù)據(jù)導(dǎo)致的虛警次數(shù)，提出了針對關(guān)鍵性能指標(biāo)（KPI）進(jìn)行數(shù)據(jù)分析的故障檢測方法�；诠I(yè)大數(shù)據(jù)的智能制設(shè)備性能預(yù)測方法基于經(jīng)驗(yàn)知識的方法基于概率分析的方法數(shù)據(jù)驅(qū)動的方法基于本體論的推理基于規(guī)則的方法（專家系統(tǒng)）定性建模與求解（關(guān)聯(lián)規(guī)則算法，F(xiàn)P-growth算法）

第三章智能生產(chǎn)線設(shè)備心電機(jī)理研究43公差是與工序動作時長相關(guān)的，也是判斷工序動作時長圍繞基線的“跳動”是否在正常范圍內(nèi)的依據(jù)。在確定了工序動作時長基線取值后，本部分利用修正樣本方差來表示動作時長偏移基線量的公差。*()211((,))1ninjBLiSfepUn(3-8)如式(3-8)所示，*nS代表設(shè)備心電圖的波動衡量值，進(jìn)一步地根據(jù)公差值對工序進(jìn)行優(yōu)良評級。一般地正常作業(yè)的設(shè)備出現(xiàn)異常的動作時長是小概率事件，根據(jù)長期的采樣觀察，設(shè)備工序時長變動基本符合正態(tài)分布。本文利用3原則對工序動作時長的波動進(jìn)行評級，如圖3-4所示（其中*nS）。圖3-4CycleLength波動等級規(guī)格Fig.3-4Gradingofthecyclelengthbasedontolerance當(dāng)運(yùn)動在Baseline公差范圍內(nèi)，該運(yùn)動將被標(biāo)記為“良好”；超出基線公差運(yùn)動將被標(biāo)記為“警戒”；周期持續(xù)時間超過“nTol”值將被標(biāo)記為“警告”；周期超過“Tol”值-這將在“Hotspots”屏幕上顯示這些可能出現(xiàn)故障的運(yùn)動。在構(gòu)建智能生產(chǎn)線設(shè)備心電圖時，包絡(luò)線是表征動作時長浮動范圍的重要特征，直觀地反映了動作時長超出基準(zhǔn)范圍的程度。式(3-9)給出了某序列包絡(luò)線的計算公式，EvpU代表包絡(luò)線上限范圍取值，選取k次隨機(jī)抽樣，123,,,...,JJPpppp()JfP代表其中某次采樣值�；谠O(shè)備狀態(tài)惡化會導(dǎo)致運(yùn)動的周期變長的特性，本文在智能生產(chǎn)線設(shè)備心電圖中采用了包絡(luò)線的上限值。

【參考文獻(xiàn)】：
期刊論文
[1]基于多粒度的多源數(shù)據(jù)知識獲取[J]. 萬青,馬盈倉,魏玲.  山東大學(xué)學(xué)報(理學(xué)版). 2020(01)
[2]考慮非固定提前期的生產(chǎn)計劃和預(yù)防性維護(hù)聯(lián)合優(yōu)化模型[J]. 黃劍秋,王麗亞.  計算機(jī)集成制造系統(tǒng). 2020(03)
[3]大數(shù)據(jù)結(jié)構(gòu)化與數(shù)據(jù)驅(qū)動的復(fù)雜系統(tǒng)維修決策[J]. 韓中,程林,熊金泉,劉滿君.  自動化學(xué)報. 2020(02)
[4]基于博弈論的移動邊緣計算任務(wù)調(diào)度研究[J]. 林濤,秦冬陽,馬同寬,董柵.  計算機(jī)仿真. 2018(11)
[5]基于深度學(xué)習(xí)的航空發(fā)動機(jī)故障融合診斷[J]. 車暢暢,王華偉,倪曉梅,洪驥宇.  北京航空航天大學(xué)學(xué)報. 2018(03)
[6]大數(shù)據(jù)下機(jī)械智能故障診斷的機(jī)遇與挑戰(zhàn)[J]. 雷亞國,賈峰,孔德同,林京,邢賽博.  機(jī)械工程學(xué)報. 2018(05)
[7]基于深度學(xué)習(xí)特征提取和粒子群支持向量機(jī)狀態(tài)識別的齒輪智能故障診斷[J]. 時培明,梁凱,趙娜,安淑君.  中國機(jī)械工程. 2017(09)
[8]主動制造——大數(shù)據(jù)驅(qū)動的新興制造范式[J]. 姚錫凡,周佳軍,張存吉,劉敏.  計算機(jī)集成制造系統(tǒng). 2017(01)
[9]大數(shù)據(jù)驅(qū)動的智能車間運(yùn)行分析與決策方法體系[J]. 張潔,高亮,秦威,呂佑龍,李新宇.  計算機(jī)集成制造系統(tǒng). 2016(05)
[10]過程工業(yè)大數(shù)據(jù)建模研究展望[J]. 劉強(qiáng),秦泗釗.  自動化學(xué)報. 2016(02)

博士論文
[1]基于關(guān)鍵性能指標(biāo)的數(shù)據(jù)驅(qū)動故障檢測方法研究[D]. 王光.哈爾濱工業(yè)大學(xué) 2016
[2]復(fù)雜裝備故障預(yù)測與健康管理關(guān)鍵技術(shù)研究[D]. 李向前.北京理工大學(xué) 2014
[3]基于知識管理的設(shè)備故障智能診斷模型研究[D]. 秦大力.湖南大學(xué) 2014
[4]Petri網(wǎng)的優(yōu)化協(xié)調(diào)控制理論及其應(yīng)用研究[D]. 方歡.合肥工業(yè)大學(xué) 2013
[5]基于人工免疫系統(tǒng)的機(jī)組復(fù)合故障診斷技術(shù)研究[D]. 岑健.華南理工大學(xué) 2010
[6]基于多Agent系統(tǒng)的動態(tài)任務(wù)分配研究[D]. 馬巧云.華中科技大學(xué) 2006

碩士論文
[1]基于深度學(xué)習(xí)的航空發(fā)動機(jī)可靠性分析[D]. 洪驥宇.南京航空航天大學(xué) 2018



本文編號：3261172